基于神经网络的工业机器人空间网格精度补偿方法

摘要

本发明公开了一种基于神经网络的工业机器人空间网格精度补偿方法，属于工业机器人标定技术领域。该方法利用工业机器人具有较高重复定位精度的特性，通过训练粒子群优化的BP神经网络来模拟机器人在相同负载、不同环境温度下定位的内在规律，结合机器人空间网格精度补偿方法，从而对机器人包络空间范围的任意目标定位点进行精度补偿，提高其绝对定位精度。本发明针对不同型号的工业机器人，通过确定划分网格的最大步长，可以有效地减少测量的工作量，有利于工业机器人快速地投入应用。不需要进行机器人运动学的正解和逆解，计算过程简单迅速，可以实现在线补偿。提高了机器人的绝对定位精度，使得标定后的工业机器人能适应更广泛的应用场合。

说明书

技术领域

本发明涉及一种机器人定位精度补偿方法，尤其涉及一种用于工业机器人的基于粒子群优化神经网络的空间立体网格精度补偿方法，属于工业机器人标定技术领域。

背景技术

机器人的精度是反映机器人性能的一个重要指标，它包括绝对定位精度和重复定位精度。绝对定位精度误差是机器人实际运动与期望运动之间的偏差，由确定性原始误差(如连杆参数误差、运动副间隙等)所产生；重复定位精度误差是机器人重复执行同一期望运动时，机器人的实际运动之间的相互离散程度，由随机性原始误差(如关节伺服定位误差等)所产生。

通常，一般的工业机器人具有较高的重复定位精度，然而它的绝对定位精度却比较差，重复定位精度达到0.1mm的机器人，其绝对定位精度误差却能有2-3mm。示教利用了机器人的重复定位精度可以达到较高的绝对定位精度，但在实际应用中，很多场合对工业机器人的绝对定位精度要求很高，通常又不能通过示教的方式来完成。所以，对机器人的绝对定位精度进行补偿就显得至关重要。

文献“夏凯，陈崇端，洪涛，等.补偿机器人定位误差的神经网络[J].机器人，1995，17(3)：171-176.”为了提高机器人的定位精度，提出了补偿机器人定位误差的神经网络方法。文章针对RM-501五自由度机器人，通过两种方式用多层感知器神经网络补偿机器人运动学方程定位的误差，分别是基于关节坐标的神经网络补偿和基于直角坐标位置的神经网络补偿。该方法的核心是利用人工神经网络具有很强的自学习、自适应能力，通过训练得到机器人运动学几何参数误差、非几何参数误差等误差源的作用规律，对期望关节角或直角坐标进行补偿，从而来提高机器人的绝对定位精度。该方法避免了其他传统标定方法繁琐的建模及参数辨识过程，但在实际应用中存在以下不足：

1)为了使得训练后的网络能够达到一定的精度以及适应机器人包络范围内的所有点，训练神经网络需要有大量的学习样本，因此测量工作量大；

2)该方法需要将直角坐标转换成关节坐标，因此需要对机器人运动学方程求逆解，这个过程计算量大，且在奇异点附近效果不理想；

3)试验结果表明机器人在标定后的定位精度仍不够理想。

发明内容

本发明为提高工业机器人的绝对定位精度，针对现有技术存在的不足，而提出一种基于粒子群优化神经网络的工业机器人空间网格精度补偿方法。

该方法包括如下步骤：

步骤1：在工业机器人的包络线范围内，按一定的步长把整个包络空间划分成一系列的立方体网格；

步骤2：通过激光跟踪仪测量并建立机器人基坐标系，在几个不同的环境温度水平下用步骤1中划分的每个立方体网格的八个顶点的理论坐标来控制机器人进行定位，并用激光跟踪仪测量并记录实际定位坐标；

步骤3：建立基于粒子群优化的BP神经网络模型，并用步骤2中采集到的数据进行训练；

步骤4：对于期望到达包络线范围内的任一点P的目标定位坐标(X，Y，Z)和所处的实际环境温度T

1)查找该点P所在的立方体网格；

2)分别将P所在立方体网格的八个顶点的理论坐标和环境温度这四个参数作为神经网络的输入，从而预测出对应八个顶点的实际定位坐标；

3)计算该点P与所在立方体网格的八个顶点K_i实际定位坐标的距离d_i，用算得的距离d_i进行反距离加权求得八个顶点K_i相对于该点P的权值q_i，其中i＝1，2，...8，下同；

4)用求得的权值q_i来对八个顶点K_i的X、Y、Z三个方向上的定位误差分别进行空间插值，预算出该点P三个方向上的误差；

5)用求得的误差对该点P的理论坐标(X，Y，Z)进行反向修正，完成机器人在该点P的定位精度补偿。

本发明具有如下技术效果：

1)针对不同型号的工业机器人，通过确定划分网格的最大步长，可以有效地减少测量的工作量，有利于工业机器人快速地投入应用。

2)本方法是在笛卡尔坐标系中进行的，与通常的机器人标定方法相比不需要进行机器人运动学的正解和逆解，计算过程简单迅速，可以实现在线补偿。

3)综合考虑了机器人运动学参数、负载、以及环境温度变化带来的误差，显著提高了机器人的绝对定位精度，使得标定后的工业机器人能适应更广泛的应用场合。

附图说明

图1为本发明补偿方法的算法流程图。

图2为本发明补偿方法中的空间插值示意图。

图3(a)为验证样本预测x方向误差示意图。

图3(b)为验证样本预测y方向误差示意图。

图3(c)为验证样本预测z方向误差示意图。

具体实施方式

本发明基于粒子群优化神经网络的工业机器人空间网格精度补偿方法的步骤如下：

步骤1：在工业机器人的包络线范围内，按一定的步长在机器人包络空间内的待加工区域划分成一系列的立方体网格；

步骤2：通过激光跟踪仪测量并建立机器人基坐标系，在几个不同的温度水平下用步骤1中划分的每个立方体网格的八个顶点的理论坐标来控制机器人进行定位，并用激光跟踪仪测量并记录实际定位坐标；

建立激光跟踪仪与机器人基坐标系之间关联的步骤为：

1)将球形固定反射器SMR固定在末端执行器的TCP上，且保持A2到A6轴的位置(角度)固定不变，通过旋转A1轴，用FARO激光跟踪仪测量一系列位于圆周上的点；

2)利用FARO自带的CAM2 Measure软件，将步骤1得到的测量点依次拟合出一个平面和一个圆，从而得到圆心的理论坐标；

3)测量机器人底座平面上的一系列点并拟合出一个平面，再对该平面做偏移量为SMR半径的偏移；

4)把步骤2中得到的圆心投影到步骤3偏移得到的平面中，得到机器人的原点位置；

5)测量机器人处于零点位置时机器人法兰盘上两个水平对称的安装孔，然后算出这两个测量点的中点，再把所得中点向步骤3中得到的偏移平面做投影，得到处于X轴上的一点；

6)从机器人机械零点开始按逆时针方向旋转A1轴(小于90度的任意值)并测量，再把该点向步骤3中得到的偏移平面做投影，得到处于+X Y平面上的一点；

7)利用原点以及步骤5和6得到的两点构造出坐标系，该坐标系即为机器人坐标系。

步骤3：对于期望到达包络线范围内的任一点P的理论坐标(X，Y，Z)和环境温度T，

1)查找该点P所在的立方体网格；

2)分别将P所在立方体网格的八个顶点的理论坐标和环境温度这四个参数作为神经网络的输入，从而预测出对应八个顶点的实际定位坐标；

3)计算该点P与所在立方体网格的八个顶点K_i实际定位坐标的距离d_i，用算得的距离d_i进行反距离加权求得八个顶点K_i相对于该点P的权值q_i，其中i＝1，2，...8，下同；

4)用求得的权值q_i来对八个顶点K_i的X、Y、Z三个方向上的定位误差分别进行空间插值，预算出该点P三个方向上的误差；

5)用求得的误差对该点P的理论坐标(X，Y，Z)进行反向修正，完成机器人在该点P的定位精度补偿。

所述步骤3中：

$>d_i=\sqrt{{(X-{X_i}^{\prime })}^2+{(Y-{Y_i}^{\prime })}^2+{(Z-{Z_i}^{\prime })}^2},i=\mathrm{1,2},...8---\left(1\right)$>

$>q_i=\frac{\frac{1}{d_i}}{\frac{1}{d_1}+\frac{1}{d_2}+\frac{1}{d_3}+\frac{1}{d_4}+\frac{1}{d_5}+\frac{1}{d_6}+\frac{1}{d_7}+\frac{1}{d_8}},i=\mathrm{1,2},...8---\left(2\right)$>

步骤4中：

$>\mathrm{\Delta X}=\underset{i=1}{\overset{8}{\Sigma }}{\mathrm{\Delta X}}_i{q}_i;$>$>\mathrm{\Delta Y}=\underset{i=1}{\overset{8}{\Sigma }}{\mathrm{\Delta Y}}_i{q}_i;$>$>\mathrm{\Delta Z}=\underset{i=1}{\overset{8}{\Sigma }}{\mathrm{\Delta Z}}_i{q}_i$>

(3)

步骤5中：

X_修＝X+ΔX；Y_修＝Y+ΔY；Z_修＝Z+ΔZ

(4)

式中：(X，Y，Z)是点P的理论坐标；(X_i′，Y_i′，Z_i′)为包含点P的立方体网格八个顶点的实际定位坐标；(ΔX_i，ΔY_i，ΔZ_i)为包含点P的立方体网格八个顶点的实际坐标与理论坐标偏差；(ΔX，ΔY，ΔZ)为(X，Y，Z)的修正量；(X_修，Y_修，Z_修)为(X，Y，Z)修正后的理论坐标。

下面以KUKA150-2机器人为例来说明本发明的具体实施步骤。

步骤1：在工业机器人的包络线范围内，按给定的步长300mm把机器人的待工作空间划分成一系列的立方体网格。为简化说明问题，这里在机器人基坐标系下选择x向坐标从1100到1400，y向坐标从500到2000，z向坐标从950到1850之间的区域为待加工区域；

步骤2：通过激光跟踪仪测量并建立机器人基坐标系，用步骤1中划分的每个立方体网格的八个顶点的理论坐标分别在环境温度19°、23°、26°、29°下控制机器人进行定位，并用激光跟踪仪测量并记录相应的实际定位坐标；

步骤3：建立神经网络模型，并用步骤2中采集的试验数据进行训练。通过不断试验，最终确定BP神经网络由四层组成，分别为输入层、隐含层1、隐含层2、输出层，其中输入层包含4个节点，2个隐含层都各自包含7个节点，输出层包含3个节点。网络的训练函数为‘trainlm’，它采用Levenberg-Marquardt算法；网络的学习率为0.1；网络训练的样本数为480，验证的样本数为5。确定PSO优化算法的种群数为50个，进化的次数为600次，其他的相关的参数设置如下表所示。

用设置的相关参数以及试验取得的480组样本值输入到matlab编制的程序中进行训练，结果如图3所示，随机选取的5组测试样本的预测精度都在0.1mm以下，满足精度要求。此外，对于用于网络训练的475组样本值，绝大多数点的训练精度在0.1mm以下，对于少数超过0.1mm的点，究其原因是因为这些点处于划分网格的边缘，样本中缺少足够描述它们特征的信息。而误差的数值大小与机器人重复定位精度0.15mm以下的数值相仿。

步骤4：在划分的待加工区域里任意选取5个待加工点，其期望坐标值如下表所示：

调节环境温度使温度发生改变，用上表中坐标值结合当前温度作为神经网络的输入，用预测出的所处立方体网格八个顶点的实际定位坐标进行空间网格精度补偿，然后用修正后的坐标值控制机器人进行定位，经激光跟踪仪测量得到实际定位坐标，用它与期望坐标相比较，结果如下表所示：

通过对比结果可知，本发明提出的基于粒子群优化神经网络的工业机器人空间网格精度补偿方法可显著提高工业机器人的绝对定位精度。本发明的优点是：1)利用粒子群优化算法具有全局优化搜索和收敛速度快得特性，对网络的初始权值进行优化，从而克服BP网络算法存在的收敛速度慢，容易陷入局部极值的缺点；2)BP算法以粒子群优化算法提供的最优个体作为网络的初始权值和阈值，利用其非线形映射及局部寻优的特点，进行进一步的寻优，从而得到最优的网络权值和阈值参数；3)在神经网络训练的样本数据中包含了空间坐标信息及环境温度信息，因此相比传统的机器人标定方法，本发明既考虑了机器人运动学参数、负载情况带来的误差，还考虑了环境温度发生变化时带来的误差；4)以一定的步长对机器人的包络空间进行空间立方体网格划分，对于任一可达的目标定位点，通过神经网络来预测包含该点的最小的立方体网格的八个顶点实际定位坐标，再结合空间网格精度补偿方法可以简单迅速对该目标点进行精度补偿，从而在工业现场可以实现在线补偿。